[發明專利]純電動乘用車續駛里程預測方法

有效

• 申請號: 201410019021.8
• 申請日: 2014-01-15
• 公開（公告）號: CN103745111B
• 公開（公告）日: 2017-06-16
• 發明（設計）人: 薛月菊;楊敬鋒;張南峰;李勇;黃曉琳;李鴻生
• 申請（專利權）人: 華南農業大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 廣州市華學知識產權代理有限公司44245
• 代理人: 楊曉松

技術領域

本發明涉及電動乘用車的技術領域，特別涉及一種純電動乘用車續駛里程預測方法。

背景技術

純電動乘用車雖然目前在國家節能減排政策下得到較快發展，但由于受其續駛里程的制約，目前仍難以大規模推廣，仍處于試點運營狀況，尤其是目前充電站規劃和實施仍然難以符合實際推廣要求的情況下。續駛里程主要受電池容量和運營狀況限制，在目前電池技術儲能和可靠性仍難以取得突破的情況下，研究者們提出了各種分析與評估續駛里程的方法。在目前階段，對續駛里程的估算方法大多依賴于對SOC的更準確估算，從而轉換成相對準確的續駛里程，因而目前的研究熱點集中在如何準確預測SOC上。比較具有代表性的算法，如針對電動汽車用鋰離子電池組的能修正初始誤差的荷電狀態估算方法；針對磷酸鐵鋰電池給出了其改進的PNGV模型，采用擴展卡爾曼濾波算法完成了SOC的準確估計；對于磷酸鐵鋰電池，安時積分SOC估算方法中初始SOC的影響最大，應該建立初始SOC的修正算法,對電池的SOC累積誤差進行清除以提高精度；采用電化學阻抗譜來分析等效電路模型參數，以研究電池的電壓特性和動態功率特性，通過綜合分析實際充放電條件的主要特征來提取電池典型的參數辨識工況，并利用粒子群優化算法分析模型參數；此外，修訂的伏安法、Kalman算法、神經網絡等算法的應用也比較廣泛。在進一步提高SOC估算精度情況下，基于鋰離子電池電化學模型提出電動公交車續駛里程預測方法、純電動汽車續駛里程RBF神經網絡預測算法、通過分析純電動汽車行駛中主電路負載電流變化建立其續駛里程計算模型、利用BP神經網絡預測電動汽車續駛里程的方法等。就研究者在公開發表信息內容上看，續駛里程的預測的依據主要采用SOC參數作為主要參考，大多采用等速法以及工況法進行預測，所得到延長續駛里程的結論大多傾向于選用低阻力輪胎、進行車身的流線型改進、減輕空車重量、選用高能量電池、動力傳動系合理匹配等從電動汽車本身架構以及零配件選用上。然而，影響純電動乘用車續駛里程的因素，即能耗影響因素還包括時段（早晚高峰）、路況、駕駛員駕駛習慣等因素，為此，本發明利用在已經正常營運的純電動乘用車行車過程中所產生的數據，結合交通運行指標體系，基于模糊聚類算法和模糊時間序列算法建立純電動乘用車續駛里程預測模型，為純電動乘用車充電站規劃等提供決策支持。

發明內容

本發明的目的在于克服現有技術的缺點與不足，提供一種一種純電動乘用車續駛里程預測方法。

本發明的目的通過下述技術方案實現：

純電動乘用車續駛里程預測方法，包括下述步驟：

S1、以路段能耗為基礎，純電動乘用車營運過程中所有影響因素作為聚類的維度，采用模糊聚類的方式進行建模；

S2、通過模糊聚類中心對路段之間的能耗及影響因素的能耗情況進行描述以及標識后，通過模糊時間序列分析算法對純電動乘用車能耗狀況進行建模；

S3、引進隸屬度權值矩陣，將觀測值在各模糊集上的隸屬度的值作為用模糊矩陣進行預測的權值，建立模糊時間序列模型，反映觀測值與各模糊子區間之間的聯系的同時，進行預測時候不再需要附加預測規則，從而實現預測的準確率的提升；

S4、對于路段能耗，根據實際觀測值與聚類中心的實際情況，按照正態分布算法，將能耗劃分為超高、較高、正常、較低、超低五個能耗狀態描述；

S5、路段能耗及其影響因素經過模糊聚類后，得到能耗聚類中心及其對應路段的實際行駛長度，結合經過模糊時間序列所推算的影響因素預測值，經過加權相似性匹配后，得到能耗匹配值，能耗匹配值與路段能耗權值運算最終得到加權能耗預測值；

S6、純電動乘用車營運續駛里程預測的方法是，在得到加權能耗預測值后，用剩余能耗值減去加權能耗預測值，得到預測剩余能耗值，再換算成續駛里程；

S7、在第n+1個路段中，如果預測剩余能耗值滿足最低能耗要求值的情況下，再對n+2個路段進行能耗預測，得到其加權能耗預測值后，以第n+1個路段的預測剩余能耗值減去第n+2個路段的預測剩余能耗值，后再次與最低能耗要求值進行比較，直至路段的預測剩余能耗值少于或者等于最低能耗要求值結束算法。

優選的，步驟S1之前，還包括步驟S0：建立能耗模型以及等級劃分，以已經規劃好的行駛線路為基礎，將線路按照路段進行劃分，每一個路段的線路長度、駕駛員駕駛模型、電流、電壓、路況均為影響路段能耗的因素；根據交通運行規律，以每周相同時間的行駛工況和影響能耗的因素為基礎、路段平均的能耗平均值為能耗參考，對純電動乘用車的能耗情況進行劃分。

優選的，以純電動乘用車能耗數據為對象的模糊聚類算法具體步驟如下：